在现代信号处理和控制领域，目标跟踪是自动驾驶、雷达监测和生物医学监测等应用的核心技术。然而，当系统受到非高斯噪声特别是脉冲噪声干扰时，传统的基于最小均方误差（MMSE）的跟踪方法会因对异常值过度敏感而导致性能严重下降。这类脉冲噪声常见于传感器故障、运动伪影或通信错误等实际场景，其特征是偶发性的大幅度偏差，使得基于高斯噪声假设的卡尔曼滤波器及其扩展版本难以有效处理。
为了解决这一挑战，研究人员开展了一项关于鲁棒目标跟踪方法的研究。该研究提出了一种基于L1范数估计误差最小化的新方法，通过平等对待所有误差来显著降低异常值的影响。与传统L2范数方法相比，L1范数优化提供了更加鲁棒的标准，特别适用于存在尖锐过渡或边界中断的场景——这些正是脉冲噪声的典型来源。
研究人员在《Neurocomputing》上发表的这项工作中，设计了一个统一的框架，将重尾噪声假设同时纳入状态方程和观测方程。该方法的核心是构建一个正则化最小二乘优化问题，其中采用L1范数作为惩罚项以增强对脉冲噪声的鲁棒性。通过MM方法将原问题转化为一系列更易求解的子问题，最终推导出可通过线性时变（LTV）常微分方程表示的解析解。
在技术方法层面，该研究主要采用了几个关键技术：基于L1范数的正则化最小二乘优化框架、Majorization-Minimization（MM）迭代算法、自回归/自回归滑动平均（AR/ARMA）信号建模，以及基于L-曲线法的参数自动选择技术。研究使用了合成数据和来自PhysioNet PTB诊断心电图数据库的真实ECG信号进行验证，该数据库包含549条记录，采样频率为1kHz。
研究结果通过多个图表展示了方法的有效性。图1展示了在脉冲过程噪声下的真实和目标状态（位置和速度），图2呈现了真实加速度。图3比较了L2卡尔曼平滑器与L1 AR/ARMA平滑滤波器在位置和速度跟踪方面的性能，结果显示L1方法具有明显优势。
图4展示了提出的L1平滑滤波器的收敛行为，表明该算法在几次迭代内即可高效收敛。图6进一步通过信号跟踪实验证明了该方法在脉冲噪声存在下的鲁棒性。在ECG信号检测方面，图8分析了1000个ECG信号各阶导数范数的对数值，发现三阶导数始终具有最小值，这为ECG信号的AR建模提供了理论依据。
图9和12展示了不同方法在ECG信号跟踪中的比较结果，L1 AR平滑滤波器在噪声信号比（NSR）、均方根误差（RMSE）和平均绝对相对误差（ARE）等指标上均优于传统方法。特别是在图13展示的合成平滑信号重建实验中，随着输入信噪比的变化，L1方法始终保持着更低的重建误差和更好的信号连续性。
研究结论表明，提出的L1 AR/ARMA平滑滤波器能够有效抑制脉冲噪声，同时在边界和边缘保持方面表现出色。与传统的L2卡尔曼平滑器和L2 AR平滑滤波器相比，新方法在存在重尾脉冲噪声的情况下，能够提供更准确和稳定的目标状态估计。这一成果为目标跟踪领域提供了新的解决方案，特别是在生物医学信号处理、自动驾驶和工业监控等对鲁棒性要求较高的应用场景中具有重要价值。
该研究的主要意义在于突破了传统高斯假设的限制，为处理现实世界中普遍存在的非高斯噪声问题提供了有效工具。通过理论推导和大量实验验证，研究人员证明了L1范数优化在脉冲噪声环境下的优越性能，为后续相关研究奠定了坚实基础。尽管该方法在单维仿真场景中表现出色，但其在多维跟踪和实际部署中的性能仍有待进一步验证。
